【文章內(nèi)容簡介】 行器的系統(tǒng)中，則可采用增量式控制算法[3]。第3章 單神經(jīng)元PID控制系統(tǒng) 單神經(jīng)元簡介　單神經(jīng)元模型人腦神經(jīng)元是組成人腦神經(jīng)系統(tǒng)的基本單元。神經(jīng)元由細(xì)胞體及其發(fā)出的許多突起組成。細(xì)胞體內(nèi)有細(xì)胞核，突起的作用是傳遞信息。作為輸入信號(hào)的若干個(gè)突起，稱為樹突；作為輸出端的只有一個(gè)突起，稱為軸突。樹突與軸突一一對(duì)接，從而把眾多的神經(jīng)元連成一個(gè)神經(jīng)元網(wǎng)絡(luò)[3]。在神經(jīng)網(wǎng)絡(luò)控制器中，單神經(jīng)元是最基本的控制器部件。圖中， (=1,2,3…n)分別為控制器的輸入量及相應(yīng)的權(quán)重，為比例系數(shù)，為單神經(jīng)元控制器的輸出,其中=/ () 式中用權(quán)重向量除以權(quán)重值向量的歐幾里德范數(shù)，即在權(quán)重值向量空間中，將權(quán)重值向量進(jìn)行單位化處理，以保證學(xué)習(xí)算法的收斂性和系統(tǒng)的穩(wěn)定性。Σ圖 單神經(jīng)元模型圖 單神經(jīng)元學(xué)習(xí)規(guī)則單神經(jīng)元控制器的自適應(yīng)功能是通過改變權(quán)重來實(shí)現(xiàn)的，學(xué)習(xí)算法就是調(diào)整權(quán)重的規(guī)則，它是單神經(jīng)元控制器的核心，并反映其學(xué)習(xí)能力。學(xué)習(xí)算法如下： =+ ()式中，為隨過程遞減的學(xué)習(xí)信號(hào)，0為學(xué)習(xí)速率。學(xué)習(xí)規(guī)則常用的有一以下幾種類型： 1）無監(jiān)督的Hebb學(xué)習(xí)型 () Hebb學(xué)習(xí)型反映單神經(jīng)元控制器的輸入和輸出作用。 2）誤差校正學(xué)習(xí)型 () 誤差校正學(xué)習(xí)型表示單神經(jīng)元控制器在誤差信號(hào)指導(dǎo)下進(jìn)行強(qiáng)迫學(xué)習(xí)，從而對(duì)外界做出反映及作用，也就是在無監(jiān)督的Hebb學(xué)習(xí)規(guī)則中引入了教師信號(hào)。 3）有監(jiān)督的Hebb學(xué)習(xí) () 　　　 有監(jiān)督的Hebb學(xué)習(xí)型表示單神經(jīng)元控制器采用無監(jiān)督的Hebb學(xué)習(xí)型與誤差校正學(xué)習(xí)型相結(jié)合的學(xué)習(xí)方式，這意味著在誤差信號(hào)指導(dǎo)下對(duì)環(huán)境信息進(jìn)行相關(guān)學(xué)習(xí)和自組織來產(chǎn)生控制作用[4]。 基于單神經(jīng)元的PID控制 基于單神經(jīng)元的自適應(yīng)PID控制器在神經(jīng)網(wǎng)絡(luò)控制中，神經(jīng)元是最基本的控制元件，具有自學(xué)習(xí)和自適應(yīng)能力，而且結(jié)構(gòu)簡單易于計(jì)算。而傳統(tǒng)的PID也具有結(jié)構(gòu)簡單、調(diào)整方便和參數(shù)整定與工程指標(biāo)聯(lián)系密切等特點(diǎn)。若將兩者結(jié)合，則可以在一定程度上解決傳統(tǒng)PID調(diào)節(jié)器不易在線實(shí)時(shí)整定參數(shù)、難于對(duì)一些復(fù)雜過程和參數(shù)慢時(shí)變系統(tǒng)進(jìn)行有效控制的不足。單神經(jīng)元結(jié)合常規(guī)PID控制，將誤差的比例、積分和微分作為單個(gè)神經(jīng)元的輸入量，就構(gòu)成了單神經(jīng)元自適應(yīng)PID控制器，：轉(zhuǎn)換器的輸出為神經(jīng)元學(xué)習(xí)控制所需要的狀態(tài)變量。為神經(jīng)元權(quán)值，神經(jīng)元的輸入輸出描述為： = 　　　　　　　　 () = ()轉(zhuǎn)換器過程KZ1 單神經(jīng)元自適應(yīng)PID控制原理框圖若取=，其中取線性截?cái)嗪瘮?shù)，則神經(jīng)元控制器輸出可寫成： ()由PID控制器的增量算式： ()如果取=,=,=2+，則式（）變?yōu)椋? =1[]+2+3[2+] ()比較式()和式()，可見兩式形式完全相同，所不同的只是式()中的系數(shù) (=1,2,3)可以通過神經(jīng)元的自學(xué)習(xí)功能來進(jìn)行自適應(yīng)調(diào)整，而式()中的參數(shù), ,。是預(yù)先確定好且不變的。正是由于能進(jìn)行自適應(yīng)調(diào)整，故可大大提高控制器的魯棒性能。與常規(guī)PID控制器相比較，無需進(jìn)行精確的系統(tǒng)建模，對(duì)具有不確定性因素的系統(tǒng)，其控制品質(zhì)明顯優(yōu)于常規(guī)PID控制器。其中，神經(jīng)元的學(xué)習(xí)功能是通過改變權(quán)系數(shù)來實(shí)現(xiàn)的，學(xué)習(xí)算法即是如何調(diào)整規(guī)則，它是神經(jīng)元控制的核心，反映了學(xué)習(xí)方式與學(xué)習(xí)功能。神經(jīng)網(wǎng)絡(luò)的工作過程主要由兩個(gè)階段組成：一個(gè)階段是工作期，此時(shí)，各連接權(quán)值固定，計(jì)算單元的狀態(tài)變化，以求達(dá)到穩(wěn)定狀態(tài)；另一個(gè)階段是學(xué)習(xí)期，此時(shí)可以對(duì)連接權(quán)值進(jìn)行修改。下面介紹兩種學(xué)習(xí)算：有監(jiān)督的Hebb學(xué)習(xí)算法和基于二次型性能指標(biāo)的學(xué)習(xí)算法。1)有監(jiān)督的Hebb學(xué)習(xí)算法由PID的增量式算法()有，控制器的輸出為 () 權(quán)值i權(quán)的修改學(xué)習(xí)規(guī)則如下： ()為保證這種學(xué)習(xí)算法的收斂性和控制的魯棒性，將上述學(xué)習(xí)算法進(jìn)行規(guī)范化處理后可得[6]。 ()為神經(jīng)元的比例系數(shù)，0；，，分別為比例、積分、微分的學(xué)習(xí)速率。這里參數(shù)選取的一般規(guī)則如下： ①是系統(tǒng)最敏感的參數(shù)。值的變化，相當(dāng)于，三項(xiàng)同時(shí)變化，因此值的選擇非常重要，應(yīng)在第一步先調(diào)整。越大，則快速性越好，但超調(diào)量大，甚至可能使系統(tǒng)不穩(wěn)定。當(dāng)被控對(duì)象時(shí)延增大時(shí)，值必須減少，以保證系統(tǒng)穩(wěn)定。值選的過小，會(huì)使系統(tǒng)的快速性變差。然后根據(jù)“②一⑤”項(xiàng)調(diào)整規(guī)則調(diào)整。②對(duì)于階躍輸入，若被控對(duì)象產(chǎn)生多次正弦衰減現(xiàn)象，應(yīng)減少，其他參數(shù)不變。③若被控對(duì)象響應(yīng)特性出現(xiàn)上升時(shí)間短、震蕩現(xiàn)象，應(yīng)減少，其他參數(shù)不變。④若被控對(duì)象上升時(shí)間長，增大又導(dǎo)致超調(diào)過大，可適當(dāng)增加，其他參數(shù)不變。⑤在開始調(diào)整時(shí)，選擇較小值，當(dāng)調(diào)整，和，使被控對(duì)象具有良好特性時(shí)，再逐漸增大，而其他參數(shù)不變，使系統(tǒng)輸出基本無波紋。2）基于二次型性能指標(biāo)的學(xué)習(xí)算法 選擇性能指標(biāo)函數(shù)為 =[]2=2 () 權(quán)值系數(shù)的修正應(yīng)沿著對(duì)的負(fù)剃度方向搜索調(diào)整,即 === ()式中(=P,I,D)為學(xué)習(xí)速率,需要時(shí)每一權(quán)值都可以取不同的學(xué)習(xí)速率,以使對(duì)不同的權(quán)系數(shù)分別進(jìn)行調(diào)整。在具體計(jì)算時(shí)，由于未知,在求導(dǎo)過程中，可將其近似為一常數(shù)，可以用其符號(hào)函數(shù)近似代替。 ()此學(xué)習(xí)算法物理意義明確，計(jì)算量較小，但由于在性能指標(biāo)函數(shù)中僅有輸出誤差平方項(xiàng)，因而容易出現(xiàn)控制量變化過大的情況，這在實(shí)際控制系統(tǒng)中一般是不允許的。為此，可在性能指標(biāo)函數(shù)中引入控制量的要求，即=[2+2] ()式中為過程總滯后，、分別為輸出誤差和控制增量的加權(quán)系數(shù)，=為時(shí)刻的誤差，可以用來代替[5]，或由預(yù)測算法求得[6]。 本論文就采用這種有監(jiān)督的Hebb學(xué)習(xí)算法。第4章 多變量解耦控制 多變量過程控制系統(tǒng)解耦控制 多變量過程控制系統(tǒng)解耦原理與方法六十年代以來，過程控制工程在理論上和實(shí)踐中都取得了顯著進(jìn)步，許多復(fù)雜而成功的控制方案已經(jīng)在工業(yè)生產(chǎn)過程中被采用。但是，工業(yè)生產(chǎn)過程中的被控對(duì)象往往是多輸入多輸出系統(tǒng)(MIMO)，如活套高度和張力，軋制中的板形與板厚，鋼坯加熱爐中的多段爐溫控制等，對(duì)這樣多變量系統(tǒng)的控制就是調(diào)整被控系統(tǒng)中的多個(gè)輸入作用使系統(tǒng)輸出達(dá)到某些指定的目標(biāo)，而多變量系統(tǒng)的回路之間又存在著耦合，因此為了獲得滿意的控制效果，必須對(duì)多變量系統(tǒng)實(shí)現(xiàn)解耦控制。假設(shè)在一個(gè)生產(chǎn)過程中采用了兩個(gè)控制回路，就會(huì)產(chǎn)生這樣的問題